論文の概要: MSCMHMST: A traffic flow prediction model based on Transformer

• arxiv url: http://arxiv.org/abs/2503.13540v1
• Date: Sun, 16 Mar 2025 03:40:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:17:28.484481
• Title: MSCMHMST: A traffic flow prediction model based on Transformer
• Title（参考訳）: MSCMHMST:Transformerに基づく交通流予測モデル
• Authors: Weiyang Geng, Yiming Pan, Zhecong Xing, Dongyu Liu, Rui Liu, Yuan Zhu,
• Abstract要約: 本研究では,交通流予測における重要な課題に対処することを目的とした,MSCMHMSTというトランスフォーマーに基づくハイブリッドモデルを提案する。 MSCMHMSTモデルはマルチヘッド・マルチスケールアテンション機構を導入し、モデルがデータの異なる部分を並列処理し、その固有表現を複数の視点から学習できるようにする。 特定の実験環境を持つPeMS04/08データセットの実験により、MSCMHMSTモデルは、長期・中期・短期の交通流予測において、優れた堅牢性と正確性を示した。
• 参考スコア（独自算出の注目度）: 7.350117994428983
• License:
• Abstract: This study proposes a hybrid model based on Transformers, named MSCMHMST, aimed at addressing key challenges in traffic flow prediction. Traditional single-method approaches show limitations in traffic prediction tasks, whereas hybrid methods, by integrating the strengths of different models, can provide more accurate and robust predictions. The MSCMHMST model introduces a multi-head, multi-scale attention mechanism, allowing the model to parallel process different parts of the data and learn its intrinsic representations from multiple perspectives, thereby enhancing the model's ability to handle complex situations. This mechanism enables the model to capture features at various scales effectively, understanding both short-term changes and long-term trends. Verified through experiments on the PeMS04/08 dataset with specific experimental settings, the MSCMHMST model demonstrated excellent robustness and accuracy in long, medium, and short-term traffic flow predictions. The results indicate that this model has significant potential, offering a new and effective solution for the field of traffic flow prediction.
• Abstract（参考訳）: 本研究では,交通流予測における重要な課題に対処することを目的とした,MSCMHMSTというトランスフォーマーに基づくハイブリッドモデルを提案する。 従来のシングルメソッドアプローチは、トラフィック予測タスクの制限を示すが、異なるモデルの強みを統合するハイブリッド手法は、より正確で堅牢な予測を提供する。 MSCMHMSTモデルはマルチヘッド・マルチスケールアテンション機構を導入し、モデルがデータの異なる部分を並列処理し、複数の視点から本質的な表現を学習することで、複雑な状況に対処するモデルの能力を向上させる。 このメカニズムは、短期的な変化と長期的傾向の両方を理解しながら、様々なスケールで機能を効果的にキャプチャすることを可能にする。 特定の実験環境を持つPeMS04/08データセットの実験により、MSCMHMSTモデルは、長期・中期・短期の交通流予測において、優れた堅牢性と正確性を示した。 その結果, このモデルには大きな可能性があり, 交通流予測の分野において, 新たな, 効果的な解法が提供されることがわかった。

関連論文リスト

• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• Enhanced Prediction of Multi-Agent Trajectories via Control Inference and State-Space Dynamics [14.694200929205975]
  本稿では,状態空間動的システムモデリングに基づく軌道予測の新しい手法を提案する。 動的システムにおける状態推定の精度を高めるために,制御変数に対する新しいモデリング手法を提案する。 提案手法は,グラフニューラルネットワークと状態空間モデルを統合し,マルチエージェント相互作用の複雑さを効果的に捉える。
  論文  参考訳（メタデータ） (2024-08-08T08:33:02Z)
• Diffusion-Based Environment-Aware Trajectory Prediction [3.1406146587437904]
  自動運転車の安全かつ効率的な運転には、交通参加者の将来の軌跡を予測する能力が不可欠である。 本稿では,多エージェント軌道予測のための拡散モデルを提案する。 このモデルは、交通参加者と環境の間の複雑な相互作用を捉え、データのマルチモーダルな性質を正確に学習することができる。
  論文  参考訳（メタデータ） (2024-03-18T10:35:15Z)
• Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
  本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。 このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。 動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
  論文  参考訳（メタデータ） (2024-03-10T04:16:04Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Hybrid hidden Markov LSTM for short-term traffic flow prediction [0.0]
  本稿では,交通データの相補的特徴を学習可能なハイブリッド隠れマルコフ-LSTMモデルを提案する。 その結果,従来の手法と比較して,ハイブリッドアーキテクチャを用いた場合の大幅な性能向上が示唆された。
  論文  参考訳（メタデータ） (2023-07-11T00:56:44Z)
• MTP-GO: Graph-Based Probabilistic Multi-Agent Trajectory Prediction with Neural ODEs [2.4169078025984825]
  MTP-GOというモデルを紹介します。 時間グラフニューラルネットワークを使用してシーンを符号化し、基盤となるモーションモデルへの入力を生成する。 結果は,提案モデルが様々なデータセットにまたがる予測能力を示す。
  論文  参考訳（メタデータ） (2023-02-01T20:03:47Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Prediction-Centric Learning of Independent Cascade Dynamics from Partial Observations [13.680949377743392]
  本稿では,このモデルから生成された予測が正確であるような拡散モデルの学習の問題に対処する。 本稿では,スケーラブルな動的メッセージパッシング手法に基づく計算効率のよいアルゴリズムを提案する。 学習モデルからの抽出可能な推論は,元のモデルと比較して限界確率の予測精度がよいことを示す。
  論文  参考訳（メタデータ） (2020-07-13T17:58:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。